DataFrame.update(other, join='left', overwrite=True, filter_func=None, errors='ignore')[source]
使用来自另一个DataFrame的非NA值进行适当的修改。
在索引上对齐,没有返回值。
参数:other:DataFrame, 或 对象可强制转换为DataFrame
应该至少有一个与原始DataFrame匹配的index/column标签。
如果传递了一个Series,则必须设置它的name属性,
并将其用作列名,以便与原始的DataFrame保持一致。
join :{'left'}, 默认为'left'
只实现left join,保留原始对象的索引和列。
overwrite :bool, 默认为 True
如何处理重复键的非NA值:
1) True:用其他 DataFrame的值覆盖原始数据的值。
2) False:仅更新原始DataFrame中NA的值。
filter_func :
callable(1d-array) -> bool 1d-array, 可选
可以选择替换NA以外的值。
对于应该更新的值返回True。
errors :{‘raise’, ‘ignore’}, 默认为‘ignore’
如果为'raise',
则当DataFrame和其他两者在同一位置包含非NA数据时,
将引发ValueError 。
在版本0.24.0中更改:
从raise_conflict = False | True
更改 为errors ='ignore'|'raise'。
返回值:None : 方法直接更改调用对象
Raises:ValueError
当error ='raise'并且有重叠的非NA数据时。
当错误不是 ‘ignore’或 ‘raise’时
NotImplementedError
如果join != ‘left’
例子>>> df = pd.DataFrame({'A': [1, 2, 3],
... 'B': [400, 500, 600]})
>>> new_df = pd.DataFrame({'B': [4, 5, 6],
... 'C': [7, 8, 9]})
>>> df.update(new_df)
>>> df
A B
0 1 4
1 2 5
2 3 6
由于更新,DataFrame的长度不会增加,只会更新匹配的索引/列标签上的值>>> df = pd.DataFrame({'A': ['a', 'b', 'c'],
... 'B': ['x', 'y', 'z']})
>>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']})
>>> df.update(new_df)
>>> df
A B
0 a d
1 b e
2 c f
对于Series,必须设置其name属性>>> df = pd.DataFrame({'A': ['a', 'b', 'c'],
... 'B': ['x', 'y', 'z']})
>>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2])
>>> df.update(new_column)
>>> df
A B
0 a d
1 b y
2 c e
>>> df = pd.DataFrame({'A': ['a', 'b', 'c'],
... 'B': ['x', 'y', 'z']})
>>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2])
>>> df.update(new_df)
>>> df
A B
0 a x
1 b d
2 c e
如果其他包含NaN,则相应的值不会在原始数据帧中更新
>>> df = pd.DataFrame({'A': [1, 2, 3],
... 'B': [400, 500, 600]})
>>> new_df = pd.DataFrame({'B': [4, np.nan, 6]})
>>> df.update(new_df)
>>> df
A B
0 1 4.0
1 2 500.0
2 3 6.0